Enhanced U-Net + Selective Kernel · direct source code

不是只借模型思路：SKConv、SKUnit、U-Net 已直接放进 ZOTAIX 研究代码。

源 notebook 原本做钢材缺陷分割，上传包同时提供 `ckpt0.7854.ckpt` 与 `ckpt0.7651.ckpt`。当前 ZOTAIX 直接保留其网络实现，作为以后瓶身、标签、包装盒、印刷与表面缺陷分割实验的模型基线；源钢材权重不被冒充成酒包装模型。

Input

1 × 256 × 256

Down

32 → 64 → 128 → 256

SK bottleneck 1

256 → 512

SK bottleneck 2

512 → 512

Up

512 → 256 → 128 → 64 → 32

Mask

1 channel + Sigmoid

ZOTAIX Vision QC

直接沿用分割模型骨架，换训练数据。

标签偏斜/缺印

瓶身划痕/污点

瓶盖与封口缺陷

包装盒破损

Logo / 条码区域

灌装液位与外观区域

真正训练时使用 ZOTAIX 自己的生产/打样图片与标注；网络实现不需要再从零写。

vendored source

class SKConv(nn.Module):
    def __init__(self, features, M=2, G=32, r=16, stride=1, L=32):
        d = max(int(features/r), L)
        ...
        self.softmax = nn.Softmax(dim=1)

class UNet(nn.Module):
    def __init__(self):
        self.cs = [1,32,64,128,256,512]
        self.Bottleneck1 = SKUnit(256, 256, 512)
        self.Bottleneck2 = SKUnit(512, 512, 512)
        ...
        self.FinalConv = nn.Conv2d(32, 1, kernel_size=3, padding=1)
        self.Sigmoid = nn.Sigmoid()

完整直接复用代码位于 `research/vendor/vision/steel_unet_sk_source.py`，保留 Selective Kernel 双分支、注意力权重、残差 SKUnit、U-Net 编解码器与 Dice 评价函数。